给tensorflow训练的损失函数画图
时间: 2023-06-29 16:02:29 浏览: 46
在TensorFlow中,可以使用TensorBoard可视化训练过程中的损失函数。具体步骤如下:
1. 在训练过程中,定义一个tf.summary.scalar节点来记录损失函数的值。
```python
loss_summary = tf.summary.scalar('loss', loss)
```
2. 创建一个tf.summary.FileWriter来将摘要写入TensorBoard日志目录。
```python
summary_writer = tf.summary.FileWriter(log_dir, graph=tf.get_default_graph())
```
3. 在每个训练步骤中运行损失函数节点,并将结果添加到摘要中。
```python
_, loss_val, summary = sess.run([train_op, loss, loss_summary], feed_dict=feed_dict)
summary_writer.add_summary(summary, global_step=global_step)
```
4. 在训练完成后,使用以下命令启动TensorBoard:
```python
tensorboard --logdir=path/to/log-directory
```
5. 在浏览器中打开TensorBoard的URL,查看损失函数的图表。
注意:此处的“path/to/log-directory”应替换为您的TensorBoard日志目录的实际路径。
以下是示例代码:
```python
import tensorflow as tf
import numpy as np
# 构建模型
x = tf.placeholder(tf.float32, [None, 1], name='input')
y_true = tf.placeholder(tf.float32, [None, 1], name='label')
w = tf.Variable(tf.zeros([1, 1]), name='weights')
b = tf.Variable(tf.zeros([1, 1]), name='bias')
y_pred = tf.matmul(x, w) + b
# 定义损失函数
loss = tf.reduce_mean(tf.square(y_true - y_pred))
loss_summary = tf.summary.scalar('loss', loss)
# 定义优化器
train_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
# 准备数据
x_train = np.random.rand(100, 1)
y_train = x_train * 2 + np.random.randn(100, 1) * 0.1
# 创建TensorBoard日志目录
log_dir = './logs'
# 创建会话并开始训练
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 创建摘要写入器
summary_writer = tf.summary.FileWriter(log_dir, graph=tf.get_default_graph())
# 开始训练
for i in range(1000):
feed_dict = {x: x_train, y_true: y_train}
_, loss_val, summary = sess.run([train_op, loss, loss_summary], feed_dict=feed_dict)
summary_writer.add_summary(summary, global_step=i)
# 关闭摘要写入器
summary_writer.close()
```
运行完上述代码后,执行以下命令启动TensorBoard:
```
tensorboard --logdir=./logs
```
然后在浏览器中打开TensorBoard的URL,即可查看损失函数的图表。